NeuralFLoC: Neural Flow-Based Joint Registration and Clustering of Functional Data

1. Formulação do Problema

O artigo aborda o desafio de agrupar dados funcionais (por exemplo, sinais biológicos, trajetórias de movimento) na presença de variação de fase.

• A Questão Central: Dados funcionais frequentemente exibem dois tipos de variabilidade: variação de amplitude (diferenças de magnitude vertical) e variação de fase (desalinhamento horizontal/temporal de características).
• A Dificuldade: Algoritmos de agrupamento padrão falham quando a variação de fase é significativa, pois agrupam curvas com base no desalinhamento temporal em vez de diferenças intrínsecas de forma.
• Limitações dos Métodos Existentes:
  • Abordagens em duas etapas: Realizam registro (alinhamento) e agrupamento separadamente. Isso leva à propagação de erros, viés a partir de modelos pré-especificados e ineficiência computacional.
  • Modelos estatísticos conjuntos: Frequentemente dependem de suposições paramétricas restritivas (por exemplo, deslocamentos temporais simples, processos de Dirichlet) e lutam com escalabilidade ou dados multivariados.

2. Metodologia: NeuralFLoC

Os autores propõem o NeuralFLoC, um framework de aprendizado profundo totalmente não supervisionado e de ponta a ponta que integra Equações Diferenciais Ordinárias Neurais (Neural ODEs) com agrupamento espectral. O framework consiste em três módulos principais:

A. Inicialização Latente (Codificador CNN 1D)

• Dados funcionais brutos $x_i(t)$ são passados por uma Rede Neural Convolucional 1D (CNN 1D) para extrair padrões morfológicos locais.
• A saída é um vetor latente $z_i$ que serve como condição inicial para as dinâmicas de deformação subsequentes. Isso garante que o alinhamento comece a partir de uma representação consciente da forma.

B. Deformação Temporal Contínua (Deformador Neural ODE)

• Em vez de deformação discreta, o modelo aprende funções de deformação suaves e invertíveis $\gamma_i(t)$ usando Neural ODEs.
• Mecanismo: Um campo de velocidade aprendível $f$ (parametrizado por uma MLP) governa o fluxo contínuo $\tau_i(t)$:
  $$\frac{d\tau_{ij}(t)}{dt} = f(\tau_{ij}(t), t, z_{ij}; \Theta_{ode})$$
• Restrições: Uma ativação Softplus garante que a derivada seja positiva ($\dot{\gamma} > 0$), assegurando que a função de deformação seja estritamente monótona e invertível (um difeomorfismo).
• Mistura Consciente de Cluster: A função de deformação final para uma amostra é uma mistura de fluxos específicos do cluster ponderada por probabilidades de atribuição suave $p_{ij}$, permitindo que o alinhamento seja guiado pela estrutura do cluster.

C. Agrupamento Espectral e Função de Objetivo

• Alinhamento: As curvas alinhadas são transformadas no espaço da Função de Velocidade Raiz Quadrada (SRVF). Esta métrica é invariante à reparametrização, permitindo cálculos de distância geometricamente significativos.
• Agrupamento: Curvas alinhadas são projetadas em uma base de Fourier para filtrar ruído e extrair coeficientes espectrais. Um mecanismo de atribuição suave (usando um kernel de distribuição t de Student) atribui curvas a centróides de cluster.
• Função de Perda Conjunta: O modelo minimiza um objetivo unificado:
  $$\mathcal{L}_{total} = \mathcal{L}_{reg} + \alpha \mathcal{L}_{clu}$$
  • $\mathcal{L}_{reg}$: Perda de registro SRVF condicional ao cluster (minimizando a distância para as médias de Karcher específicas do cluster).
  • $\mathcal{L}_{clu}$: Perda de agrupamento (divergência de Kullback-Leibler entre atribuições suaves e uma distribuição alvo) para incentivar uma separação de cluster confiante.
  • $\alpha$: Um hiperparâmetro de balanceamento.

3. Contribuições Principais

1. Framework Inovador: A primeira abordagem de aprendizado profundo de ponta a ponta para simultaneamente registro e agrupamento de dados funcionais.
2. Fluxos Difeomórficos: Utiliza Neural ODEs para garantir funções de deformação suaves, invertíveis e monótonas sem suposições distribucionais explícitas, superando as limitações de métodos discretos ou paramétricos.
3. Garantias Teóricas:
   • Aproximação Universal: Prova que o módulo Neural ODE pode aproximar qualquer função de deformação admissível arbitrariamente bem.
   • Consistência Assintótica: Estabelece que o estimador conjunto converge para as atribuições verdadeiras de cluster à medida que o tamanho da amostra aumenta, desde que os clusters sejam separáveis após o registro.
4. Escalabilidade: Alcança complexidade de tempo linear $O(N)$ em relação ao tamanho da amostra e uso de memória constante via método de sensibilidade adjunta, tornando-o adequado para grandes conjuntos de dados.

4. Resultados Experimentais

O método foi avaliado em diversos conjuntos de dados do UCR Time Series Archive (Shapes, Wave, Symbols) envolvendo dados funcionais univariados e multivariados.

• Desempenho: O NeuralFLoC alcançou resultados State-of-the-Art (SOTA) tanto em registro (medido por Variância Total Ajustada, ATV) quanto em agrupamento (Precisão e Informação Mútua Normalizada).
• Estudos de Ablação:
  • Substituir a Neural ODE por deformação discreta (SrvfRegNet) degradou significativamente o desempenho, destacando a importância dos fluxos contínuos.
  • Remover qualquer um dos módulos de registro ou agrupamento causou quedas severas de desempenho, confirmando a necessidade da formulação conjunta.
• Robustez: O modelo demonstrou forte robustez a:
  • Dados Ausentes: Mantive o desempenho com até 20% de pontos ausentes.
  • Amostragem Irregular: Desempenhou bem em grades amostradas de forma desigual.
  • Ruído: Permaneceu estável sob níveis de ruído gaussiano de até $\sigma=0.10$.
• Escalabilidade: Escalou com sucesso para ~70.000 amostras com degradação mínima de desempenho.

5. Significado

O NeuralFLoC representa uma mudança de paradigma na Análise de Dados Funcionais (FDA) ao unificar registro geométrico e aprendizado não supervisionado.

• Desemaranhamento: Separa efetivamente variações de fase e amplitude, um passo crítico frequentemente ignorado ou tratado inadequadamente em métodos anteriores.
• Flexibilidade: Ao evitar suposições paramétricas restritivas, pode modelar distorções temporais complexas e não lineares comuns em sistemas biológicos e físicos do mundo real.
• Praticidade: Sua eficiência computacional e robustez tornam-no aplicável a conjuntos de dados funcionais em grande escala, ruidosos e amostrados irregularmente onde métodos estatísticos tradicionais falham.

Em resumo, o NeuralFLoC fornece uma solução principista, escalável e altamente eficaz para analisar dados funcionais desalinhados, preenchendo a lacuna entre a flexibilidade do aprendizado profundo e o rigor geométrico exigido para a análise de dados funcionais.